Multi-Agent 系统：LangGraph · CrewAI · AutoGen
最后更新：2026-04-24
单 Agent 有能力天花板——一个模型在一个上下文中处理任务总会失焦。Multi-Agent 的想法：让多个 Agent 分工合作（分析师 / 工程师 / 评审员），像一个小团队。2024-2025 LangGraph、CrewAI、AutoGen 是三大主流框架。但"Multi-Agent 是否真的有用" 至今争议大——Anthropic 2024-12 博客《Building Effective Agents》明确质疑。
一句话结论
Multi-Agent 2024-2026 是 "热门概念、有限场景" —— 在并行研究 / 角色扮演 / 真实分工任务中有优势，但多数企业场景单 Agent + 长上下文更稳定 + 更便宜。Anthropic 的"保持简单" > "多 Agent 堆叠" 观点正成为行业共识。
三条关键要点
- LangGraph（LangChain 出品）是最主流 Multi-Agent 框架：状态图 + checkpoint，生产使用量最大
- CrewAI 聚焦"角色扮演"协作：分析师 / 研究员 / 报告员 的自然语言协调
- Anthropic 2024-12 公开反对"过度 Multi-Agent"：多数场景不需要，保持简单是美德
Multi-Agent 的三种主要模式
模式 1 · 并行工作流（Workflow）
[用户任务]
↓
[规划 Agent] → 拆分
↓
├── [Sub-Agent 1] → 网络搜索
├── [Sub-Agent 2] → 数据库查询
└── [Sub-Agent 3] → 代码执行
↓
[聚合 Agent] → 汇总输出
模式 2 · 角色协作（Role-Playing）
[Project Manager Agent]
↓ 分配任务
[Engineer Agent] ←→ [QA Agent]
↓ 测试结果
[Engineer Agent] 修复
模式 3 · Agent 对话（Conversational）
- 多个 Agent 平等对话，用 LLM 协调
- AutoGen（Microsoft）风格
- 研究型，生产偏少
主流框架对比
| 框架 | 背后 | 核心抽象 | 生产成熟度 |
|---|---|---|---|
| LangGraph | LangChain | 状态图（Nodes + Edges） | ⭐⭐⭐⭐⭐ |
| CrewAI | 独立开源 | Agent + Task + Crew | ⭐⭐⭐⭐ |
| AutoGen | Microsoft | Conversable Agent | ⭐⭐⭐ |
| LangChain Agent | LangChain | 单 Agent + Tools | ⭐⭐⭐⭐（但非 Multi） |
| OpenAI Swarm | OpenAI | Routines + Handoffs | ⭐⭐ |
| Anthropic Agent SDK | Anthropic | 简约设计，不推 Multi | ⭐⭐⭐⭐ |
LangGraph 细节
- StateGraph：显式状态管理
- Checkpointing：可恢复 long-running
- Human-in-the-loop 原生支持
- 已被 Linkedin、Klarna、Replit 生产使用
CrewAI 细节
- 自然语言风格创建 crew
- Process 有 Sequential / Hierarchical 两种
- 适合非工程师快速原型
AutoGen 细节
- GroupChat 抽象
- 研究友好，工程麻烦
- Microsoft 内部项目多采用
Anthropic 的反方观点（2024-12）
Anthropic 在《Building Effective Agents》博客中：
"Most of what people call 'agents' are simpler than they appear—and most don't need multi-agent architectures."
核心观点： 1. 单 Agent + 长上下文 + 合理工具 足以处理 80% 场景 2. Multi-Agent 的协调开销 常常大于收益 3. 调试难度 增加数量级 4. token 成本 翻倍 5. 只在 真正并行受益（如 Deep Research）时使用
用 Aggregation Theory 框架 看 Multi-Agent 生态
Multi-Agent 框架的 Aggregator 潜力： - LangGraph = 事实上的 Agent 框架 Aggregator（开发者 mindshare） - 但不是终端用户 aggregator：用户不知道背后是 LangGraph 还是 CrewAI - 商业化路径：LangSmith 监控 + LangGraph Cloud 托管（B2B SaaS）
用 Wardley Maps 框架 看演化
| 组件 | 阶段 |
|---|---|
| Multi-Agent 框架 | Custom-Built → Product（标准化中） |
| 单 Agent 设计 Pattern（ReAct / ToT） | Product |
| Agent 协调协议 | Genesis（无统一标准） |
| Agent-to-Agent 通信 | Genesis（A2A 协议 2025 Google 提出） |
战略洞察：A2A 协议（Agent-to-Agent）2025 Google 提出，可能成为 Multi-Agent 时代的"HTTP"——但目前仍是 Genesis 阶段，采用率低。
生产级 Multi-Agent 案例
Perplexity Deep Research
- 规划 Agent → 多个研究 Sub-Agent 并行 → 聚合 Agent
- 成功原因：真正并行受益
Cognition Devin
- Devin 内部有 planning + execution + verification 三个 "Agent loop"
- 但Devin 本身作为单一产品，对外不是 Multi-Agent
ChatGPT Operator / Agent
- 内部有浏览器 Agent + 规划 Agent + 验证 Agent
- 用户看到是单一对话
Claude Code Subagents
- 主 Agent 调度 general-purpose / Explore / Plan 等子 Agent
- 显式 Agent 分工但对用户透明
Multi-Agent 失败案例
- AutoGPT / BabyAGI（2023）：过度 Multi-Agent 导致 token 消耗巨大但产出低
- MetaGPT / ChatDev：研究 demo，生产几乎无人用
- AutoGen 早期：企业采用后抱怨调试难
2026 关键变量
- A2A 协议扩散：Google 2025-04 提出，2026 能否扩散到开源生态
- LangGraph 商业化：LangChain Inc 2025 估值 ~$1B，ARR 能否破 $100M
- Multi-Agent vs 单 Agent + 长上下文 最终选择：GPT-5 / Gemini 2.5 的 1M+ 上下文可能让 Multi-Agent 式微
- "Agent 马甲公司" 大量涌现：用 LangGraph 包一层卖给企业
- 标准化组件市场：CRUD Agent / Browser Agent / Memory Agent 作为"积木"买卖
我的判断
我的看法：
- Anthropic 的反方观点会在 2026 成为共识：Multi-Agent 不是万能药
- LangGraph 会是 Agent 时代的 "Rails"：主流开发者框架，不一定炫酷但扎实
- Multi-Agent 商业化集中在 Deep Research / 并行分析 场景，不是通用方向
- A2A 协议仍需 2-3 年才能成熟：企业标准扩散速度慢
- "Multi-Agent as a Feature" 而非"Multi-Agent as a Product"：最终是隐藏在单一产品背后的实现技巧
我可能错在哪里： - CrewAI 或 AutoGen 突然走红，改变框架格局 - Multi-Agent 在 Robotics / 金融交易等特定领域爆发 - "Agent 市场"（Agent marketplace）出现，Multi-Agent 成为交易单位
延伸阅读
- Anthropic · "Building Effective Agents"（2024-12 博客，reference #1）
- LangChain · LangGraph 文档（langchain-ai.github.io/langgraph）
- CrewAI 官方（crewai.com）
- Microsoft · AutoGen GitHub
- Google · A2A 协议提案 2025-04
- 本站 · Agent 定义与分类 · Agent 技术栈 · Coding Agent 格局 · Aggregation Theory 框架